То, что вы хотите рассчитать, это остаточная стандартная ошибка (RSE), я думаю. Таким образом, вы должны вычислить сумму квадратов невязок (RSS) и разделить ее на «нм», где «n» - это число невязок, а «m» - это количество оценочных параметров. model$sigma2
дает вам правильный ответ. Вы просто по ошибке использовали «4» вместо «5», когда самостоятельно рассчитали RSE в sum(resids^2) / (length(resids) - 4)
. Если вы разделите RSS на (length(resids)-5)
, вы получите тот же результат, что и в model$sigma2
. Вы оценили 3 параметра MA, 1 константу и 1 параметр для дрейфа, который в целом равен 5.
Это решение sum(resids^2) / (length(resids) - 5)
.
С sqrt(mean(resids^2))
вы просто вычисляете квадрат root от среднего квадрата невязок, который, очевидно, близок к RSE, но использовал неправильную стандартизацию, потому что он такой же, как sqrt(sum(resids^2) / (length(resids)))
.
С sqrt(var(resids))
вы вычисляете стандартное отклонение (sd(resids)
) из остатков как sqrt(sum((resids-mean(resids))^2)/(length(resids)-1))
. Это стандартное отклонение от остатков, но не от стандартного отклонения от модели. Обратите внимание, что R использует эмпирическую дисперсию путем деления на «...- 1», а не на теоретическую без «...- 1».
Если вам нужны дальнейшие объяснения, загляните в «Введение в статистическое обучение» на странице 66 в файле, который 75 в pdf.